Few-Shot Learning

Few-Shot Learning (FSL) is a specialized subfield of machine learning (ML) designed to train models to recognize and classify new concepts using a very small number of labeled examples. In traditional deep learning (DL), achieving high accuracy typically requires massive datasets containing thousands of images per category. However, FSL mimics the human cognitive ability to generalize rapidly from limited experience—much like a child can recognize a giraffe after seeing just one or two pictures in a book. This capability is essential for deploying artificial intelligence (AI) in scenarios where collecting large amounts of training data is prohibitively expensive, time-consuming, or practically impossible.

Link to this section少样本学习的核心机制#

FSL 的主要目标是通过利用先验知识来减少对大规模数据收集的依赖。模型不是从零开始学习模式，而是利用包含少量标注示例的“支持集”来理解新类别。这通常通过诸如元学习 (meta-learning)（也称为“学会学习”）等高级技术来实现。在这种范式中，模型在各种任务上进行训练，以便学习最优的初始化或更新规则，从而使其能够以最小的调整适应新任务。

另一种常见方法涉及基于度量学习，即模型学习使用嵌入 (embeddings) 将输入数据映射到向量空间。在这个空间中，相似的项目被聚集在一起，而不相似的项目则被推开。诸如 Prototypical Networks 之类的算法会为每个类别计算一个均值表示（即原型），并根据新查询样本到这些原型的距离对其进行分类。这通常依赖于在较大通用数据集上进行预训练期间所开发的特征提取 (feature extraction) 能力。

Link to this section实际应用#

少样本学习正在改变那些数据匮乏曾经阻碍 AI 技术应用的行业。

Link to this section医学影像与诊断#

在医学图像分析领域，获取数千份罕见病理的标注扫描图像通常是不可行的。FSL 使研究人员能够训练计算机视觉 (CV) 系统，仅使用少数案例研究来检测罕见的肿瘤类型或特定的遗传异常。这种能力使人们能够更广泛地获取先进的诊断工具，这也是像 Stanford Medicine 这样的机构所追求的目标，有助于识别那些原本需要人类专家知识才能诊断出的病症。

Link to this section工业质量控制#

现代制造业中的 AI 严重依赖自动检测。然而，特定的缺陷发生概率可能非常低，导致难以构建大规模的“不良品”数据集。FSL 使得异常检测系统能够仅从几张图像中学习新缺陷类型的特征。这允许工厂操作员快速更新质量保证协议，而无需停止生产来收集数据，从而显著提高了动态生产环境中的效率。

Link to this section区分相关概念#

为了理解 FSL 的特定定位，将其与类似的低数据学习范式进行区分是很有帮助的：

• Transfer Learning: FSL is often implemented as a specific, extreme form of transfer learning. While standard transfer learning might fine-tune a model like YOLO26 on hundreds of images, FSL targets scenarios with perhaps only 5 to 10 images per class (known as "N-way K-shot" classification).
• 单样本学习 (One-Shot Learning)： 这是 FSL 的一个严格子集，模型必须仅从一个标注示例中进行学习。它常用于人脸识别，通过单张存储的照片来验证身份。
• 零样本学习 (Zero-Shot Learning)： 与需要至少一个小型视觉支持集的 FSL 不同，零样本学习在训练期间不需要目标类别的任何视觉示例。相反，它依赖语义描述或属性（如文本提示）来识别未见过的对象。

Link to this section使用 Ultralytics 的实际实现#

在实践中，执行少样本学习最有效的方法之一是利用鲁棒性极强的预训练模型。像较新的 YOLO26 等先进模型已经从像 COCO 或 ImageNet 这样的大规模数据集中学习到了丰富的特征表示。通过在微小的自定义数据集上对这些模型进行微调，它们能够以惊人的速度和准确度适应新任务。

以下 Python 示例演示了如何使用 ultralytics 软件包在小数据集上训练模型，从而有效地执行少样本适应：

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (incorporates learned features)
model = YOLO("yolo26n.pt")

# Fine-tune on a tiny dataset (e.g., coco8 has only 4 images per batch)
# This leverages the model's prior knowledge for the new task
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# The model adapts to detect objects in the small dataset
print("Few-shot adaptation complete.")

Link to this section挑战与未来展望#

尽管 FSL 功能强大，但在可靠性方面仍面临挑战。如果提供的少数示例属于异常值或存在噪声，模型的性能可能会下降，这个问题被称为过拟合 (overfitting)。针对数据增强 (data augmentation) 和合成数据 (synthetic data) 生成的研究对于降低这些风险至关重要。随着基础模型 (foundation models) 变得越来越大、能力越来越强，以及像 Ultralytics Platform 这样的工具简化了模型的训练与管理，使用极少量数据创建自定义 AI 解决方案的能力将变得越来越普及，为全球开发者所用。